Área prioritaria / Lehenetsitako arloa: AP_/_. LA:
Bizkaia Iraunkorra: desarrollo sostenible
Iniciativa / Ekimena: I.23 Energía y medio ambiente
Acción - proyecto / Ekintza - proiektua:
BIZKAI SENSE
Responsable / Arduraduna: Rubén Barrio
Equipo / Lan taldea: Ainhoa Alonso, Diego López-de-Ipiña, David Buján,
Aitor Gómez-Goiri, David Ausín, Joseba Abaitua, Gorka Sorrosal, Iraia Oribe, Cruz E.
Borges, Ander Pijoan
Descripción Descripción del proyecto:
El proyecto BizkaiSense pretende recoger variables medioambientales mediante el despliegue
de sensores en el área metropolitana del Gran Bilbao (aunque podría aplicarse a otras partes
del territorio histórico) para permitir definir y adoptar medidas estratégicas de diverso calado
en relación con la sostenibilidad. De esta forma, se tomarán mediciones en tiempo real de
aspectos como la polución de zonas especialmente concurridas o de vehículos de transporte
urbano, contaminación acústica y lumínica de las distintas zonas, estado del agua de la ría y de
la red de alcantarillado o el consumo energético del mobiliario urbano. Tales datos sensoriales
no sólo serán tomados desde sensores fijados en lugares específicos, sino de sensores
acoplados a objetos móviles. Es decir, no sólo provendrán de sensores ubicados en mobiliario
urbano como farolas, señales o marquesinas sino también de flotas de coches patrulla,
taxistas, autobuses e incluso, de modo interesante, desde los sensores empotrados en los
propios móviles de usuarios finales.
Objetivos:
BizkaiSense definirá una plataforma para la captura distribuida de datos que se adecúe a la
heterogeneidad de los sensores desplegados y a sus necesidades de alta autonomía energética
y alta tolerancia a fallos. Para representar los datos de naturaleza heterogénea se hará uso de
un vocabulario semántico basado en RDF para describir los datos recogidos por los sensores
con la mayor expresividad posible, permitiendo la inferencia de nuevo conocimiento y
permitiendo extender su descripción en el futuro para recoger datos de distinta índole. Esta
plataforma facilitará la consulta distribuida de los sensores apoyándose en técnicas que
permitan a ellos mismos, o intermediarios, organizarse en base al tipo de información
proporcionada por cada uno de ellos para optimizar el proceso de consulta distribuida. Una vez
recogidas las muestras correspondientes, éstas pasarán por un proceso de minería de datos
cuyo objetivo es ofrecer información de mayor nivel de abstracción (proceso de agregación), y
que por tanto pueda resultar de mayor utilidad y facilitar así la toma de decisiones a los
órganos administrativos responsables de la gestión medioambiental.
Transferencia y retorno social (aplicabilidad y posibles líneas futuras de trabajo):
La misión del proyecto es posicionar al Gran Bilbao y por ende a Bizkaia en la vanguardia de:
monitorización de aspectos medioambientales en áreas urbanas
toma rápida de decisiones ante eventualidades medioambientales capturadas por los
sensores desplegados
la publicación periódica y frecuente de dichos datos en formato Open Data para que
puedan ser consumidos y explotados por empresas o la propia ciudadanía
Los resultados del proyecto han permitido hasta ahora desarrollar una prueba de concepto de
la plataforma Bizkaisense con algunos ejemplos de utilidad. Actualmente se está trabajando en
la inclusión en la plataforma desarrollada de información sobre otras variables e indicadores
de sostenibilidad, a fin de cruzar dicha información y obtener nuevas conclusiones y
aplicaciones, tales como enrutamiento de tráfico según indicadores de contaminación y ruido,
o el desarrollo de herramientas que permitan un sistema de recogida de basuras más eficiente,
entre otros ejemplos. Asimismo, las herramientas desarrolladas han permitido automatizar el
cálculo de ciertos indicadores de sostenibilidad además de identificar algunos posibles puntos
de mejora, lo cual abre una posible línea de trabajo a futuro para la definición y cálculo de
nuevos indicadores.
Enlaces de interés (webs de soporte):
Nombre URL
Sitio web del proyecto BIZKAI SENSE
http://www.tecnologico.deusto.es/projects/bizkaisense/
Editor GIS para la generación de incidencias
http://energia.deusto.es/OSMeditor
Plataforma de cálculo de indicadores de sostenibilidad
http://energia.deusto.es/BizkaiSenseIn http://energia.deusto.es/BizkaiSenseCA
Resultados Descripción de los resultados:
Las siguientes secciones describen las actividades realizadas en el seno del proyecto
BizkaiSense durante 2012:
Estaciones meteorológicas
Las estaciones, instaladas por el Gobierno Vasco a lo largo de toda la geografía de Euskadi,
bajo la supervisión de la Red de Vigilancia y Control de la Calidad del Aire, proporcionan
información cuantitativa acerca de las propiedades y de los diferentes elementos que
componen el aire. Algunos de las propiedades y elementos monitorizados son los siguientes:
Temperatura.
Radiación solar total.
Radiación Ultravioleta.
Dirección del viento.
Humedad relativa.
O3.
NO2.
Humos negros.
SH2.
NO.
CH4.
HC.
Ortoxileno.
Tolueno.
Benceno.
PM25.
PM10.
CO.
SO2.
NH3.
Etilbenceno.
Presión atmosférica.
Los datos originales suministrados por las estaciones de la Red de Vigilancia y Control de la
Calidad del Aire se encuentran accesibles en la web de la iniciativa de liberación de datos Open
Data Euskadi1. Esta iniciativa tiene como objetivo la liberación de diferentes conjuntos de
datos de la administración pública, como son en este caso las mediciones tomadas por los
sensores de la Red de Vigilancia y Control de la Calidad del Aire.
Estos datos, en su origen, se encuentran almacenados en grandes ficheros CSV2. Estos ficheros
cuentan con una mínima estructura, pero no ofrecen toda la información necesaria para su
explotación de manera automática y programática. Para ello, se han procesado los datos
originales para posibilitar su publicación cumpliendo los estándares de Linked Data [1],
empleando para ello los estándares del W3C RDF [2] y SPARQL [3].
Para la correcta descripción semántica de los datos se han empleado las ontologías SWEET [4]
y UCUM3. Al no existir dentro de estas ontologías algunos de las mediciones tomadas por las
estaciones, o las unidades de estas, se ha realizado la extensión de ambas ontologías. Las
ontologías resultantes de estas extensiones pueden encontrarse dentro del marco del
proyecto Bizkaisense4.
Esta manipulación de los datos se ha realizado a través de una serie de scripts programados en
el lenguaje Python. Estos scripts extraen la información de los ficheros CSV y la estructuran y la
etiquetan semánticamente. Una vez generadas las tripletas correspondientes a cada período
de medición, se almacenan en el repositorio RDF de Bizkaisense.
1 http://www.ingurumena.ejgv.euskadi.net/r49-
3614/es/contenidos/informacion/historicos_red_aire/es_red_aire/indice.html 2 http://en.wikipedia.org/wiki/Comma-separated_values
3 http://idi.fundacionctic.org/muo/ucum-instances.owl
4 http://dev.morelab.deusto.es/bizkaisense/sweetAll-extended.owl y
http://dev.morelab.deusto.es/bizkaisense/ucum-extended.owl
El repositorio RDF seleccionado ha sido OpenLink Virtuoso5. Virtuoso cuenta con una gran
aceptación dentro de la comunidad Linked Data; alguna de las características que han
colaborado con la popularidad de esta plataforma son su alto rendimiento, su capacidad de
federación y su capacidad de razonamiento para inferir nuevo conocimiento.
Para la visualización de los datos se ha desarrollado un sitio web para que la consulta de los
datos sea accesible y visual para el usuario. Esta web ha sido construida haciendo uso de
scripts Python y del framework de desarrollo web Django.
Figura 1. Mapa de estaciones geolocalizadas.
En este sitio web se muestran las estaciones de medición del aire geolocalizadas sobre un
mapa de Google Maps, que es el que da acceso a los detalles de las diferentes estaciones. Por
cada estación se le da al usuario la posibilidad de visualizar las mediciones de un día concreto
para una propiedad determinada; para mostrar los datos seleccionados, se expone un gráfico
que muestra las variaciones de las mediciones durante las 24 horas del día relacionadas con el
valor máximo que no debería ser sobrepasado para no ser nocivo para la salud. Estos gráficos
se construyen dinámicamente haciendo uso de la tecnología de Google Charts.
5 http://virtuoso.openlinksw.com/
Figura 2. Ejemplo de gráfico de variación de mediciones.
Toda la información que se muestra en la web se recoge mediante consultas SPARQL
dinámicas sobre el repositorio RDF, haciendo así innecesaria la utilización de una base de datos
tradicional. Además, desde la propia página se da acceso a los diferentes ficheros RDF de
estaciones y mediciones, pudiendo estos ser tanto visualizados -gracias a la herramienta
Pubby6, que provee una interfaz amigable para este tipo de archivos-, como descargados para
su tratamiento.
Cabe comentar también que desde esta misma plataforma se ofrece la posibilidad de ejecutar
consultas SPARQL sobre el endpoint del repositorio RDF, habilitando la realización de
búsquedas avanzadas así como la reutilización de los datos ya estructurados y semantizados.
Este sitio web puede ser visitado en portal web del proyecto
http://dev.morelab.deusto.es/bizkaisense/.
Análisis de los residuos urbanos en Bizkaia
Dentro del ámbito del proyecto BizkaiSense, los datos de recogida de residuos urbanos han
sido recogidos de la web de la Diputación de Bizkaia7, en formato PDF, y como paso previo a su
parseo y a la generación de una base de datos relacional con esta información, ha sido
necesario realizar un proceso de conversión de PDF a CSV y de curación manual de los datos
convertidos.
Los datos de residuos han sido enlazados y combinados con datos de censo del Instituto
Nacional de Estadística (INE)8 y se han modelado en base a Linked Data con el vocabulario
estadístico Data Cube9, ya que se trata de la ontología estadística más completa, y permite
6 http://www4.wiwiss.fu-berlin.de/pubby/
7 http://www.bizkaia.net/home2/temas/DetalleTema.asp?Tem_Codigo=351&Idioma=CA
8 http://www.ine.es/jaxi/menu.do?type=pcaxis&path=%2Ft20%2Fe245&file=inebase&L=0
9 http://www.w3.org/TR/vocab-data-cube/
modelar en RDF datos estadísticos manteniendo la compatibilidad con el estándar SDMX para
la compartición de datos estadísticos.
Para el conjunto de datos del censo, las dimensiones son:
● Rango de edad: definido mediante una lista de códigos creada para este conjunto de
datos, y que especifica rangos quinquenales mediante URIs del tipo:
http://helheim.deusto.es/linkedstats/resource/code/ageRange/X-Y, siendo X e Y los
rangos inferior y superior.
● Municipio: definido por recursos de tipo places:Municipality, definidos en un conjunto
de datos de municipios externo.
● Año: definido por recursos de tipo interval:Year, definidos en un conjunto de datos de
intervalos temporales y calendarios proporcionado por el Gobierno de Reino Unido.
En este conjunto de datos se toma una sola medida, el número de personas.
Para el conjunto de datos de residuos urbanos se definen tres dimensiones, dos de las cuales
se definen de la misma forma que en el conjunto anterior: año y municipio. La tercera
dimensión es el tipo de residuo, para la cual se ha definido una lista de códigos con URIs del
tipo: http://helheim.deusto.es/linkedstats/resource/code/wasteType/TIPO_RESIDUO, siendo
los tipos de residuo plastic, glass, paper, organic y voluminous para plástico, vidrio, papel,
basura orgánica y residuos voluminosos, respectivamente. En este caso se toman dos medidas:
● Kg de basura recogido, identificado mediante la entidad de la DBpedia que define el
Kilogramo: http://dbpedia.org/resource/Kilogram.
● Número de contenedores, identificado mediante la entidad de la DBpedia que define
contenedores de basura: http://dbpedia.org/resource/Waste_container.
Una vez definidos los conjuntos de datos, los DSDs, las dimensiones, las medidas y las listas de
códigos en base a Data Cube, se utilizar toda esta estructura para generar los datos medidos.
Estos datos siguen la siguiente estructura RDF (ejemplo del censo):
<http://helheim.deusto.es/linkedstats/resource/population/2008/48001/0-4> a qb:Observation;
qb:dataSet stats-dataset:population;
stats-dimension:year <http://reference.data.gov.uk/id/year/2008>;
stats-dimension:municipality <http://helheim.deusto.es/bizkaisense/resource/municipality/48001>;
stats-dimension:ageRange <http://helheim.deusto.es/linkedstats/resource/code/ageRange/0-4>;
stats-measure:population "404"^^xsd:integer;
rdfs:label "Population of age range 0-4 at Abadiño on year 2008."@en;
rdfs:label "Populación del rango de edad 0-4 en Abadiño en el año 2008."@es;
rdfs:label "Abadiño-ko populazioa 2008.ean 0-4adin-tartean."@eu .
Como se puede observar, para cada medición, se establece el conjunto de datos al que
pertenece, se especifican las dimensiones mediante sus recursos RDF, y se da el valor de la
medida. Estas descripciones se han generando convirtiendo a RDF los resultados de consultas
SQL realizadas sobre las bases de datos relacionales generadas en el proceso de extracción de
datos.
Como resultado de este proceso se han generado 95304 tripletas RDF sobre las que se pueden
realizar consultas SPARQL complejas -sobre su endpoint SPARQL10- que relacionen los datos de
estos dos conjuntos de datos. Ejemplo de ello puede ser la siguiente consulta para obtener los
kilogramos de basura generados por habitante y año en los diferentes municipios de Bizkaia:
prefix rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
prefix rdfs: <http://www.w3.org/2000/01/rdf-schema#>
prefix xsd: <http://www.w3.org/2001/XMLSchema#>
prefix qb: <http://purl.org/linked-data/cube#>
prefix stats-dimension: <http://helheim.deusto.es/linkedstats/resource/dimension/>
prefix stats-measure: <http://helheim.deusto.es/linkedstats/resource/measure/>
prefix stats-dataset: <http://helheim.deusto.es/linkedstats/resource/dataset/>
select ?year ?municipality_name (sum(?wastekg)/sum(?population)/365 as ?KG_per_person) where {
{
?dspopulation qb:dataSet stats-dataset:population ;
stats-dimension:year ?year ;
stats-dimension:municipality ?municipality ;
stats-measure:population ?population .
}
UNION
{
?dswaste qb:dataSet stats-dataset:waste ;
stats-dimension:year ?year ;
stats-dimension:municipality ?municipality ;
10
http://helheim.deusto.es/linkedstats/sparql
stats-dimension:wasteType ?wasteType ;
stats-measure:wasteKg ?wastekg .
}
?municipality rdfs:label ?municipality_name .
}
group by ?year ?municipality_name
order by ?municipality_name
Cuyos resultados se muestran en gráficas como la de la siguiente figura:
Figura 3. Visualización de los residuos por persona/año y municipio en Bizkaia.
Como pasos posteriores al modelado de datos estadísticos, se está trabajando en el análisis
automático de estos datos para la búsqueda de correlaciones tanto entre los datos existentes,
como otros recogidos a partir del contenido Linked Data enlazado desde éstos.
Editor simplificado de información geográfica para la generación de incidencias
Los editores de datos geoespaciales han sido tradicionalmente extremadamente complejos,
necesitando caros y largos cursos para poder sacar el mayor provecho de los (también
bastante caros) sistemas de información geográfica. Sin embargo, en la gran mayoría de las
tareas no solo no es necesario tener editores complejos sino que la complejidad de la interfaz
distrae de la tarea que se está realizando, con la consiguiente merma de productividad.
Durante este proyecto hemos implementado una prueba de concepto de editor simplificado
de datos con la intención de integrarlo en distintos proyectos en los que es necesario un editor
de datos geográficos muy simple.
El editor [http://energia.deusto.es/OSMeditor] permite en la actualidad dibujar puntos, líneas
y áreas así como incluir metadatos sobre las entidades geográficas que describen. Con el fin de
ayudar en la edición, de fondo puede presentar distintos conjuntos de imágenes (tanto aéreas
como rasterizaciones) que sigan el formato WMS. Finalmente los datos pueden ser
recuperados como un fichero OSM o almacenados en una base de datos mysql o postgresql
para su posterior análisis o reuso.
El editor consiste en una librería javascript fácilmente embebible en cualquier página web lo
cual lo hace muy versátil. En la actualidad estamos trabajando en la integración tanto en una
red social como en el software educativo moodle. En el primer caso el objetivo es fomentar la
colaboración de la ciudadanía en el proyecto de información geográfica voluntaria
OpenStreetMap [http://www.openstreetmap.org/] mientras que en el segundo caso se
pretende facilitar la creación de actividades de carácter geográfico en la plataforma Moodle
[https://moodle.org/].
Además de los proyectos anteriormente comentados este editor podría ser integrado en los
sistemas de gestión municipal (bomberos, incidencias, policía, etc.) de forma que los
ciudadanos puedan cursar incidencias, como por ejemplo:
Los contenedores de reciclaje están llenos. Se ha producido un incendio o un accidente de tráfico.
En el primer caso, esta información haría posible la planificación de las rutas de recogida de
basuras de forma que se optimice el número de salidas. En el segundo caso, los servicios de
emergencia podrían actuar más rápidamente al poder generarse la ruta más rápida para
acceder a la incidencia.
Mejoras en el cálculo de indicadores de sostenibilidad a partir de fuentes de datos
geográficos voluntarias y/o públicas
El objetivo de esta tarea es múltiple. Por un lado se pretende integrar, tanto como se pueda, el
cálculo de indicadores de sostenibilidad. Por otro lado, se pretende mejorar de diversas
maneras el cálculo, realizando análisis posteriores o calculando con mayor nivel de detalle
algunos indicadores. Para ello hemos realizado una prueba piloto sobre el municipio de
Sopelana en donde calculamos los siguientes indicadores:
Indicador 2: Población con acceso a pie a áreas verdes. Indicador 3: Calidad del aire ambiental local. Indicador 6: Población expuesta a niveles de ruido excesivo. Indicador 7: Uso sostenible del suelo. Indicador 13: Ocupación del suelo urbano. Indicador 19: Porcentaje de viviendas secundarias o desocupadas. Indicador 23: Municipios con plan de accesibilidad. Indicador 25: Distancia del municipio a centros sanitarios. Indicador 30: Crecimiento urbano previsto.
Se ha escogido Sopelana al ser un municipio pequeño, cercano y del cual poseemos amplios
conocimientos GIS.
El primer paso ha consistido en el análisis de las distintas licencias de uso que poseen las
distintas fuentes de datos. Se ha escogido el uso de OpenStreetMap pues posee una licencia
libre que permite una gran libertad a la hora de reusar dicha información a diferencia de otras
fuentes de datos como por ejemplo Google Maps. Sin embargo, la base de datos de
OpenStreetMap http://www.openstreetmap.org/ no poseía toda la información requerida
para calcular los indicadores seleccionados por lo que pasamos a completarla con datos de
Open Data Euskadi http://opendata.euskadi.net/ y Geo Euskadi http://www.geo.euskadi.net/
ya que las licencias de ambas lo permiten. En particular, en la zona elegida, las vías urbanas e
interurbanas están perfectamente cubiertas pero sin embargo falta información referente a las
construcciones urbanas, las zonas urbanizadas, localización de servicios básicos, zonas de
esparcimiento y usos de suelo. Ésta información ha sido obtenidas a partir de los ficheros:
BTA_EDI_MANZANAS_A_5000_ETRS89 BTA_EDI_ENTI_POBLACION_A_5000_ETRS89 BTA_CUBIERT_TERRESTRE_A_5000_ETRS89 BTA_EDI_EDIFICACIONES_A_5000_ETRS89 BTA_SER_INSTALACIONES_A_5000_ETRS89 CB_MUNICIPIOS_5000_ETRS89.
que se encuentran en GeoEuskadi. El proceso de importación consiste en la traducción de las
geometrías y de los metadatos usando el software ogr2osm
[http://wiki.openstreetmap.org/wiki/Ogr2osm] adaptando los ficheros de traducciones a la
documentación aportada por cada fichero. Finalmente se ha procedido a la inspección manual
de los resultados en la que se han realizado un postproceso consistente en la simplificación de
geometrías, eliminación de duplicidades, corrección manual de errores y completado de
información a partir del conocimiento de la zona y las imágenes de satélites de PNOA.
Posteriormente se ha definido una metodología para mejorar el cálculo de los indicadores y se
han realizado algunas demostraciones que se pueden consultar en la web
http://energia.deusto.es/BizkaiSenseIn.
Indicador 2: Población con acceso a pie a servicios básicos y áreas verdes
En la actualidad, para estimar este indicador se expande en 300 metros la geometría del
servicio básico o área verde. Posteriormente se comprueba qué núcleos poblacionales tienen
intersección con este área, de forma que la población con acceso a pie a áreas verdes será la
suma de los habitantes de dichas poblaciones. Los núcleos poblacionales son los más
pequeños a los que se tenga acceso, que en este momento corresponden a entidades. Esta
estimación es claramente optimista por dos razones: se considera que todos los habitantes de
una entidad están a la misma distancia del área verde o servicio básico pero, además, no se
tienen en cuenta los accidentes geográficos limitantes como montañas o ríos que pueden dar
lugar a amplios rodeos. Con los datos provistos por la base de datos de OpenStreetMap
podemos mejorar esta estimación, pudiendo incluso llegar a calcular el valor exacto, si se tiene
acceso a la información del padrón municipal. Nuestra metodología consiste en:
1. Para cada área verde expandimos 300 metros su geometría. 2. Obtenemos todos los edificios que están dentro de dicha área. 3. Obtenemos la población del indicador
a. Haciendo una estimación del número de habitantes por edificio obtenemos una aproximación para la población con acceso a pie a áreas verdes.
b. En el caso de tener acceso al padrón municipal, se podría usar esa información para calcular este valor de forma exacta.
Esta metodología se puede mejorar si en vez de expandir la geometría del área verde usamos
un modelo de grafo de la localidad. En este caso el punto uno anterior quedaría de la siguiente
manera:
1. Para cada área verde localizamos las vías (a pie) que empiezan, terminan o pasan a través de ella.
2. Seguimos dichas vías durante 300 metros teniendo en cuenta las posibles ramificaciones de estas vías (intersecciones con otras vías, puentes, pasos a nivel, etc).
3. Localizamos todos los edificios que tienen acceso a dichas vías. 4. Hacemos el paso 3 de la anterior metodología, es decir, haciendo una estimación del
número de habitantes por edificio obtenemos una aproximación para la población con acceso a pie a áreas verdes. En el caso de tener acceso al padrón municipal, se podría usar esa información para calcular este valor de forma exacta.
Indicador 3: Calidad del aire ambiental local
Para el caso de la calidad del aire, se ha desarrollado una prueba piloto sobre todo el Gran Bilbao. Actualmente la información disponible sobre la calidad del aire proporcionada por la administración es un índice global para toda la comarca del Gran Bilbao y los índices parciales para cada estación [Información de la calidad del aire en Euskadi]. Nuestra propuesta consiste en aumentar la resolución y la cantidad de información a nivel local. Proporcionando información sobre el índice de calidad del aire y sobre la concentración media de algunos de los contaminantes implicados en su cálculo, logrando un detalle a nivel municipal. Para esta prueba piloto se ha empleado la información proporcionada por las estaciones de la Red de Vigilancia y Control de la Calidad del Aire disponible en nuestra base de datos [BizkaiSense], y empleando la metodología propuesta por el departamento de Medio Ambiente del Gobierno Vasco [Índice de Calidad del Aire] se han calculado los índices parciales y global de la calidad del aire, así como la concentración media diaria de determinados contaminantes. A partir de esta información, se ha calculado la calidad del aire en cada punto dentro de todo el área del Gran Bilbao mediante una interpolación lineal de los datos proporcionados por cada estación de medición de la calidad del aire. En la siguiente imagen se puede observar un ejemplo en el que se muestra la concentración media de NO2 en una fecha determinada:
En la siguiente web se pueden realizar todas las consultas que se deseen:
[http://energia.deusto.es/BizkaiSenseCA]
No obstante, a la hora de realizar una aplicación final, para el cálculo de la concentración de los contaminantes en cada celda de la matriz de representación creada es necesario el uso de modelos de dispersión de la contaminación que nos proporcionen un valor fiable para cada punto en función de la dirección y fuerza del viento y de los obstáculos y la orografía presente en el territorio. De esta forma se pueden conseguir mapas de personas en riesgo de niveles excesivos de exposición a contaminantes y/o analizar el número de personas que pueden estar expuestas a ellos.
Indicador 6: Población expuesta a niveles de ruido excesivo
El proceso de cálculo actual no está claramente definido en las memorias de los indicadores
aunque se nombra el uso de mapas de ruido. Teniendo acceso a estos mapas de ruido (en un
formato digital tipo Shapefile o equivalente) y al padrón municipal, se podría calcular
exactamente la población expuesta a niveles de ruido. Nuestra metodología consistiría en:
1. Vectorizar el mapa de ruido extrayendo las fronteras de los umbrales de cada categoría.
2. Obtenemos todos los edificios que están dentro de cada área. 3. Haciendo una estimación del número de habitantes por edificio obtenemos una
aproximación para la población expuesta a cada nivel de ruido (incluso teniendo en cuenta las alturas de los edificios). En el caso de tener acceso al padrón municipal, se podría usar esa información para calcular este valor de forma exacta.
Indicadores 7, 13 y 19: Uso sostenible del suelo, ocupación del suelo urbano y porcentaje de
viviendas secundarias o desocupadas
Sobre estos indicadores no se presentan mejoras, simplemente se muestra que también es
posible calcularlos con esta herramienta. Hay que hacer notar, que para el caso del indicador
19 los datos contenidos en Geo Data Euskadi no son muy fiables al estar siempre vacíos los
campos referentes al uso de la vivienda.
Indicador 23: Municipios con plan de accesibilidad
En la actualidad este indicador sólo constata si se tiene o no un plan de accesibilidad, no su
complimiento efectivo ni su alcance. OpenStreetMap cuenta con (al menos) datos referentes a
la accesibilidad mediante discapacidades motoras aunque es fácilmente ampliable para
contener otros tipos de discapacidades como indicadores visuales para sordos, placas en
braille, texto adaptado para personas mayores, etc. Para cada infraestructura se guarda
información sobre el grado de accesibilidad (en tres niveles: completamente accesible, con
dificultad o imposible) por lo que es muy sencillo calcular un índice de accesibilidad a
infraestructuras simplemente sacando el porcentaje de infraestructuras de cada tipo de
accesibilidad.
Indicador 25: Distancia del municipio a centros sanitarios
El proceso de cálculo actual no está claramente definido en las memorias de los indicadores.
Existen varias formas de calcularlo: en línea recta o siguiendo las vías. En el primer caso se
cometen grandes errores, como ya se ha comentado anteriormente, al no tenerse en cuenta
los accidentes geográficos, como montañas o ríos, mientras que en el segundo caso no se tiene
en cuenta las características de las vías que pueden hacer que distancias muy cortas lleven un
tiempo excesivo o incluso imposible en caso de incidencias meteorológicas.
La metodología que se propone en este proyecto para mejorar el cálculo de este indicador es:
1. Calcular el tiempo de viaje desde cada edificio al centro sanitario más próximo respetando los límites de velocidad que tienen las diferentes vías.
2. De nuevo, estimando el número de personas que hay en cada edificio se puede conseguir la población que tiene acceso a un centro sanitario en cada franja de tiempo y, con acceso a los datos del padrón municipal, el valor exacto.
Indicador 30: Crecimiento urbano previsto
A pesar del nombre, este indicador solo presenta el crecimiento urbano que se ha producido
en los distintos grupos de edades entre 2001 y el presente año sin realizarse una estimación
del número de habitantes en el futuro.
La metodología propuesta consiste en realizar una predicción a futuro no solo del crecimiento
de la población sino de la dispersión urbana. Para ello se define la siguiente metodología:
1. Ajustar distintos tipos de modelos a la serie histórica del número de habitantes de cada municipio
2. Aplicar modelos de crecimiento urbano con el fin de no solo ser capaces de preveer el número de habitantes sino también los lugares de asentamiento en función de escenarios (como crisis económicas, creación de infraestructuras, etc.)
3. Esto permitiría calcular todos los índices anteriores en los distintos escenarios de crecimiento poblacional con el nivel de detalle propuesto.
Nótese que, al estar los modelos de crecimiento urbano basados tanto en las preferencias de
los distintos tipos de habitantes, como en las equipaciones que poseen los distintos
municipios, será posible evaluar a priori el impacto (tanto en los indicadores
medioambientales, como en la variación poblacional) que puede tener el desarrollo de ciertas
infraestructuras.
Referencias
[1] Bizer, C., T. Heath, and T. Berners-Lee. “Linked Data-the Story so Far.” Int. J. Semantic Web
Inf. Syst. 5, no. 3 (2009): 1–22.
[2] “RDF - Semantic Web Standards”, n.d. http://www.w3.org/RDF/.
[3] “SPARQL Query Language for RDF”, n.d. http://www.w3.org/TR/rdf-sparql-query/.
[4] Raskin, R.G., and M.J. Pan. “Knowledge Representation in the Semantic Web for Earth and
Environmental Terminology (SWEET).” Computers & Geosciences 31, no. 9 (2005): 1119–1125.
Encuentros de responsables de áreas prioritarias, proyectos y acciones de la Universidad de
Deusto con responsables políticos y técnicos de los departamentos de la Diputación Foral de
Bizkaia:
Entrevista con la Directora de Medio Ambiente de la Diputación de Bizkaia, María
Uribe, para presentar las iniciativas BIDEI y BizkaiSense
Entrevista con Alberto Ortiz de Zárate, Director de Servicios Ciudadanos del Gobierno
Vasco, para informar sobre la utilización realizada de los datos referentes a
medioambiente publicados por los proyectos BIDEI y BIZKAISENSE y su relación con
OpenDataEuskadi
Evidencias: conjunto de documentación generada (working papers, publicaciones ISBN e
ISSN y otros), folletos, soportes multimedia (vídeos, fotos, audios, …), presencia en medios y
eventos asociados al proyecto y acción (congresos, jornadas, seminarios, actos sociales,
...). Aquí está disponible la plantilla a utilizar en los documentos:
Nombre Archivo ¿Publicable en BizkaiLab?
Especificación de la arquitectura de una plataforma software web Bizkaisense
Informe_arquitectura.pdf Sí
Sistema de almacenaje, muestreo y manipulación de los datos
Informe_Captura_Datos.pdf Sí
Fuentes para el cálculo y seguimiento de indicadores de sostenibilidad
Informe_medida indicadores.pdf
Sí
Justificación del proyecto BizkaiSense, anualidad 2012
JustificaciónBizkaiSense2012.pdf Sí
Abstract VII JORNADAS DE SIG LIBRE
13Girona.pdf Sí
Observaciones
Modificaciones respecto a la planificación inicial
Tras identificar la visión artificial como tecnología de sensorización remota con amplias
posibilidades para la realización de mapas de contaminación, a finales de 2011 se realizó la
compra de una cámara multiespectral (Modelo Condor-1000 MS3-PCH-258-GE). Sin embargo,
algunos problemas en la fabricación de componentes clave de la cámara retrasaron
notablemente el plazo de entrega.
Con la recepción de la cámara, se ha recibido un curso de formación específico para el manejo
tanto de la cámara como del software para el tratamiento de imágenes, si bien está pendiente
la adquisición del filtro adecuado, necesario para acotar los rangos de detección según el tipo
de contaminantes a medir.
Durante este período con el fin de seleccionar el filtro más adecuado, se ha realizado un
estudio de los diferentes contaminantes e incidencias medioambientales que se pueden medir
con la cámara así como los algoritmos necesarios para su cálculo, con el fin de asegurarnos la
mejor y más versátil aplicación para este proyecto.
Por lo tanto, la dificultad inicialmente no prevista a la hora de seleccionar los componentes del
equipo más adecuados junto al decalaje sufrido en su entrega, ha provocado que las pruebas
relacionadas con la cámara multiespectral no se hayan podido llevar a cabo en los plazos
inicialmente planificados.
Por esta razón y con el objetivo de poder alcanzar el objetivo inicialmente previsto de incluir
en la plataforma Bizkaisense medidas en tiempo real obtenidas a través de dispositivos
móviles se han realizado algunos cambios respecto a la planificación inicial.
De esta manera se ha incluido una nueva tarea que ha consistido en crear un editor genérico
de datos geográficos que permite introducir información relevante en materia
medioambiental, tal y como se ha explicado en el apartado de resultados Editor simplificado de
información geográfica para la generación de incidencias. El objetivo es, a través de una
aplicación sencilla y amigable, la concienciación e implicación de la propia ciudadanía en los
problemas diarios que pueden tener una repercusión negativa sobre el medio ambiente y la
sociedad permitiendo al resto de los agentes involucrados (servicio de emergencias, recogida
de basuras, etc..) tomar las medidas oportunas en cada momento. Esto a su vez permitirá a
futuro dotar a la plataforma Bizkaisense de información útil para futuras nuevas aplicaciones.
Top Related